目的利用多模态超声影像组学构建PTC(papillary thyroid carcinoma,甲状腺乳头状癌)CLNM(central lymph node metastasis,颈部中央区淋巴结转移)的预测模型。方法回顾性分析2020年1月至2022年12月于浙江省肿瘤医院进行首次手术治疗的600例甲状腺乳头状癌Global ocean microbiome,其中中央区淋巴结转移组300例,无转移组300例,通过3Dslicer软件提取筛选超声图像特征,然后采用lasso回归模型将原有特征降维,降维之后分别在 SVM(support vector machine,支持向量机)、RF(Random Forest,随机森林)、XGB(Extreme Gradient Boosting,极限梯度提升)、LGBM(Light Gradient Boosting Machine,光梯度增压机)上将采用八折交叉验证方式选取的最好参数进行测试。分别比较二维超声影像组学模型、多模态超声影像组学模型及常规超声模型的敏感性、特异性Bafilomycin A1研究购买、准确性、AUC(ROC曲线下面积)、F1-score。结果多模态超声影像组学所得AUC均高于二维超声影像组学及常规超声,其中SAG采购多模态超声影像组学模型 AUC(SVM:0.85,RF:0.79,XGB:0.79,LGBM:0.75)、二维超声影像组学模型 AUC(SVM:0.79,RF:0.74,XGB:0.68,LGBM:0.66)、常规超声及临床资料模型AUC为0.70。结论多模态超声联合影像组学,运用不同机器学习方式所建立的甲状腺乳头状癌颈部中央区淋巴结转移的预测模型,具有较高的诊断性能,其中SVM模型效果较佳。